分母膨胀、宫内选择与黑人男性新生儿死亡悖论
该数据集围绕分母膨胀、宫内选择与黑人男性新生儿死亡悖论,提供1995至2018年美国282个月受孕队列中非西班牙裔黑人(NHB)与非西班牙裔白人(NHW)单胎极早产儿生命统计资料

基本信息
资源简介
分母膨胀、宫内选择与黑人男性新生儿死亡悖论
Inflated denominators, selection in utero, and the Black male neonatal death paradox
该数据集围绕分母膨胀、宫内选择与黑人男性新生儿死亡悖论,提供1995至2018年美国282个月受孕队列中非西班牙裔黑人(NHB)与非西班牙裔白人(NHW)单胎极早产儿生命统计资料。数据以NHB在极早产男性新生儿死亡中的负担份额替代死亡率差值,规避分母膨胀问题,并可用Box-Jenkins方法检验NHB死产性别比异常高的队列是否伴随异常低的NHB死亡负担份额,适用于新生儿死亡悖论与宫内选择假说的回归分析(来源 DOI 解析)。
【数据集背景】
源站首次发布:2026。
【数据内容】
源站描述(机器翻译,仅供参考):为确定在受孕队列上,NHB男性新生儿死亡优势与NHB死产性别比之间的正相关关系在纠正分母膨胀后是否仍然存在,我们检索了1995年至2018年在美国受孕的282个月受孕队列中出生的NHB和非西班牙裔白人(NHW)单胎ePTB婴儿的生命统计资料。我们通过用“NHB负担份额”变量替代NHB与NHW新生儿死亡率之差,避免了分母膨胀问题。我们将该变量具体定义为每个受孕队列出生的NHB和NHW ePTB男性中NHB新生儿死亡所占比例。我们使用Box-Jenkins方法确定,表现出异常高NHB死产性别比的队列是否也表现出异常低的NHB在ePTB男性新生儿死亡负担中的份额。与宫内选择论点一致,
【主题与分类】
主题标签:Medicine, Health and Life Sciences、Social Sciences。本站分类:妊娠、分娩和产褥期。
【获取与许可】
源站页面:https://dataverse.harvard.edu/citation?persistentId=doi:10.7910/DVN/WNAZDK
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载,适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档,适合快速预览和评估数据集质量。
免登录当前数据集主要来源为 Kaggle 公开托管,完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站:https://doi.org/10.7910/DVN/WNAZDK
标准获取流程:
- 访问源站链接,注册/登录账号;
- 进入数据集详情页,按页面指引申请权限或直接下载;
- 部分平台提供 SDK,例如:
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据集大小约 123.1 KB。
数据说明
为确定在矫正分母膨胀问题后, conception cohorts 中 NHB 男性新生儿死亡优势与 NHB 死产性别比之间的正相关关系是否依然成立,我们检索了1995年至2018年在美国受孕的282个月度 conception cohorts 中出生的 NHB 和非西班牙裔白人(NHW)单胎 ePTB 婴儿的生命统计资料。我们通过用“NHB 负担份额”变量替代 NHB 与 NHW 新生儿死亡率之差,规避了分母膨胀问题。我们将该变量具体定义为每个 conception cohort 出生的 NHB 和 NHW ePTB 男性中,NHB 新生儿死亡所占比例。我们采用 Box-Jenkins 方法,判断 NHB 死产性别比异常高的队列是否也表现出 ePTB 男性新生儿死亡负担中 NHB 份额异常低。与宫内选择假说一致,在 NHB 死产性别比异常高的队列中,ePTB 男性新生儿死亡中的 NHB 份额比预期低7%。宫内选择仍是黑人男性新生儿死亡悖论的一个合理影响因素。
数据加载示例(图像类)
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
需要用于商业化训练或医疗器械注册(NMPA/FDA)?
公开数据往往缺乏完整的病理回证与专家标注。千方医数集依托陕川双基地与超十家三甲医院直连,提供完全合规、去标识化、支持注册级质控的专病数据集交易服务。




